Jun, 2023

1M 参数足矣？用于医学图像分割的轻量级基于 CNN 的模型

PDF
TL;DR本文提出了一种基于 Depthwise Separable Convolution 的轻量化 U-Net 模型 ——U-Lite，该模型只有 878K 参数，在保持高精度的前提下降低了计算复杂度，因此在医学图像分割任务中表现优异。
convolutional neural networkstransformer-based modelsmedical image segmentationu-litedepthwise separable convolution
发现论文，激发创造
  • LHU-Net：一种用于高效、高性能体积型医学图像分割的轻型混合 U-Net

    通过结合 Transformer 架构与卷积神经网络（CNNs）的优势，提出一种优化的体积型医学图像分割网络 LHU-Net，旨在在初期层次优先进行空间特征分析，然后转向更深层次的基于通道的特征，从而全面提取特征，取得了具有高效性和准确性的卓越性能。

    Apr, 2024

  • MobileUtr: 重访轻量级 CNN 和 Transformer 之间的关系，用于高效的医学图像分割

    轻量级视觉转换 (ViT) 在高效医学图像分割中的应用挑战，本研究重新关注了 CNN 和 Transformer 在轻量级医学图像分割中的关系，并提出了一种融合两者优势的基础架构设计，实现了有效的医学图像分割模型 (MobileUtr)。在五个公开医学图像数据集上的广泛实验验证了 MobileUtr 的优越性，同时具备更轻的权重和更低的计算成本。

    Dec, 2023

  • L^3U-net: 基于低延迟轻量级 U-net 的图像分割模型，适用于并行 CNN 处理器

    本研究提出了一种用于低资源边缘设备的小型图像分割模型 L^3U-net，引入了一种数据折叠技术，利用 CNN 加速器的并行卷积层处理能力，降低推理延迟，并将该模型部署到 MAX78000 设备，结果表明 L^3U-net 在两个不同的分割数据集上实现了 90% 以上的准确率，每秒处理 10 帧。

    Mar, 2022

  • SeUNet-Trans: 医学图像分割的简单而有效的 UNet-Transformer 模型

    我们提出了一种简单而有效的 UNet-Transformer（seUNet-Trans）模型，用于医学图像分割，结合了 CNN-based 模型和 Transformer 模型，在多个医学图像分割数据集上进行了广泛实验，显示出优于其他几种先进模型的性能。

    Oct, 2023

  • 一个基于传输映射先验的水下图像增强模型（参数 7K）

    基于轻量级选择性注意力网络（LSNet）的高效深度学习模型在水下图像增强方面取得了出色性能，相较于其他基于注意力机制的模型，LSNet 在参数数量和计算资源上均显著减少，并获得了 97% 的峰值信噪比。

    May, 2024

  • WiTUnet：一种融合 CNN 和 Transformer 的 U 形架构，用于改善特征对齐和本地信息融合

    本文介绍了一种名为 WiTUnet 的新型 LDCT 图像去噪方法，该方法利用嵌套的密集跳跃路径代替传统的跳跃连接来改进特征整合，同时在编码器和解码器中增加了局部图像感知增强 (LiPe) 模块以提高局部特征捕获和表示能力；通过广泛的实验比较，WiTUnet 在峰值信噪比 (PSNR)、结构相似度 (SSIM) 和均方根误差 (RMSE) 等关键指标上表现出优越的性能，显著提高了去噪和图像质量。

    Apr, 2024

  • 使用修改版 U-Net 实现医学图像分割在边缘设备上

    在本论文中，我们使用修改版的 U-Net 模型在 Intel Movidius 神经计算棒 2 上实现了医学图像分割任务，并通过 BraTs 数据集的 MRI，心脏 MRI 数据集和 ZNSDB 数据集的显著降低的参数数量的实验结果，证明了该模型在低计算资源上也可以提供比较优秀的医学图像分割性能。

    Jun, 2022

  • U-Net 和 Transformer: U-Net 在医学图像配准中是否已经过时？

    本研究旨在探究在医学图像配准领域中，基于 U-Net 神经网络是否比现代 transformer-based 方法更陈旧。通过提出一种大卷积核 U-Net 模型并在公共数据集和 MICCAI Learn2Reg 2021 挑战数据集上进行测试，结果表明新模型在参数和计算复杂度较低的情况下可以优于 state-of-the-art 的 TransMorph 模型及其他现有 transformer-based 方法，证明 U-Net 仍然在 inter-subject 和 atlas-based 3D 医学图像配准中具有优势。

    Aug, 2022

  • 用于高效和鲁棒的脑损伤分割的大核心注意力

    我们提出了一个全卷积变种的 U-Net 结构的转换器模块，用于建模 3D 脑损伤分割的远程交互，证明了我们的模型在三个因素中提供了最大的妥协点：与最先进技术相竞争的性能；卷积神经网络的参数效率；以及转换器的有利归纳偏差。

    Aug, 2023

  • UCM-Net：使用 MLP 和 CNN 的轻量级高效皮肤病变分割解决方案

    通过整合多层感知器和卷积神经网络，我们提出了一种高效低成本的 UCM-Net 解决方案，用于皮肤病变分割，其参数不超过 50KB 且每秒运算次数不超过 0.05 Giga-Operations，为皮肤病变分割领域的高效性设立了新的可能标准。

    Oct, 2023